基于物理信息卷积神经网络（PI-CNN）的印度河-恒河平原城市地区高分辨率大气光学厚度反演

《Remote Sensing Applications: Society and Environment》：High-resolution AOD Retrieval using Physics-Informed Convolutional Neural Network (PI-CNN) over Cities of Indo-Gangetic Plain

　　

摘要传统卫星反演的气溶胶光学厚度（AOD）产品空间分辨率较低，限制了其在城市空气质量等局地应用中的效用。为克服这一局限，我们开发了一种物理信息卷积神经网络（PI-CNN），从印度-甘加平原的德里和坎普尔地区的Landsat影像中反演30米分辨率的AOD。该框架将辐射传输模型（RTM）方程纳入CNN中，以确保AOD反演的物理一致性。模型使用基于辐射传输模型反演算法（SEMARA）生成的高分辨率AOD输出进行训练，并通过迁移学习对德里进行了微调。与AERONET观测的验证结果显示，相关系数在坎普尔为0.81，德里为0.78，平均绝对误差/均方根误差分别为0.046/0.21和0.066/0.25。此外，对PI-CNN和SEMARA的反演结果进行了对比分析，以检验两者在空间分布和统计特征上的一致性。与SEMARA相比，PI-CNN能更好地捕捉不同土地利用和土地覆盖类别之间的变化，并反演出更平滑、空间一致性更高的AOD分布。这些结果表明，该方法作为高分辨率AOD反演的可扩展框架具有潜力。

引言大气气溶胶是地球气候、空气质量和公众健康的主要调节因子（Kaufman等，2002；Pope III等，2002）。它们显著影响辐射能量平衡，改变水文和生物化学循环，并影响空气质量（Henao等，2023；Kaufman等，2002）。气溶胶在分布和特性上表现出显著的变异性，排放源多样，寿命从数小时到数天不等。这种时空不等性使其气候和环境影响难以确定。此外，气溶胶仍是卫星反演温室气体和地表属性时的重要不确定性来源（Sanghavi等，2020）。因此，全球气溶胶观测对于约束其排放并深入理解其气候和环境影响至关重要（Tao等，2023）。

气溶胶光学厚度（AOD）是衡量大气中气溶胶颗粒对太阳辐射消光（通过散射和吸收）程度的指标（Acharya和Sreekesh，2013；Arafath等，2015）。它是一个一维量，表示气溶胶对光的衰减程度（Hadjimitsis，2009）。已开发了多种AOD反演技术，包括深蓝（DB）方法（Hsu等，2013）、暗目标（DT）方法（Kaufman和Sendra，1988；Remer等，2020）、多角度偏振（MAP）方法（C. Chen等，2015）以及结构-函数或对比度降低（SFCR）方法（Tanré等，1988）。全球气溶胶观测的需求促使自20世纪90年代末起部署了专用卫星传感器，如中分辨率成像光谱辐射计（MODIS）、多角度成像光谱辐射计（MISR）和地球反射偏振与方向性（POLDER）（King等，1999）。尽管取得了这些进展，但广泛使用的卫星产品空间分辨率有限，限制了其在区域尺度研究中的适用性。因此，要更有效地应对区域空气污染问题，高分辨率气溶胶产品必不可少。

多项研究已尝试在全球不同地区获取更高分辨率的AOD。例如，Lin等（2021）利用Landsat波段生产了30米分辨率的AOD，而Yang等（2021）开发了一种算法，使用Sentinel-2数据反演60米分辨率的AOD。有研究使用Landsat 8影像和MOD09A1地表反射率数据集，通过辐射传输模型（RTM）衍生的查找表（LUT）在30米分辨率下估算AOD（Jin等，2021；Kang等，2022）。简化气溶胶反演算法（SARA）也被广泛采用（Bilal等，2013；Bilal和Qiu，2018；Rahman和Haque，2022），该算法与AERONET观测表现出更强的一致性，并且通过消除对预计算查找表的需求，相比基于查找表的方法具有优势。在此基础上，SEMARA算法结合了SARA和简化且稳健的地表反射率估计（SREM），其中SREM用于计算地表反射率（Bilal等，2019），随后应用于SARA中以在30米分辨率下反演AOD（Bilal等，2013）。SEMARA已在多项研究中成功应用，证明其在不同区域具有良好的可靠性（Singh等，2024；Singh和Satyanarayana，2025）。

尽管取得了显著进展，传统AOD反演方法在准确性、计算效率以及适应多样气溶胶类型和环境条件方面仍面临局限（Boiger等，2022）。传统基于物理的算法通常依赖于迭代辐射传输（RT）计算和预计算查找表，计算量大且对测量噪声的鲁棒性较差（de Leeuw等，2003）。此外，这些方法严重依赖地面观测，并对气溶胶和地表属性做出简化假设。为应对这些限制，近期研究探索了深度学习（DL）技术的应用，其中使用RT模拟的卫星顶反射率和AOD来训练模型（Jia等，2021）。基于深度学习的反演方法在计算效率、对不确定性的鲁棒性以及对先验数据假设的依赖减少方面表现出优势（C. Chen等，2020；Kang等，2022；Yeom等，2021）。更广泛地看，机器学习（ML）方法，包括神经网络、支持向量机和梯度提升等，在捕捉非线性关系和处理大数据集方面表现出强大能力，但在可解释性、泛化能力和数据需求方面仍存在挑战（Di Noia和Hasekamp，2018；Grebovic等，2022）。凭借其强大的非线性建模能力和高计算效率，深度学习方法正日益应用于正向RT建模和卫星反演中（X. Chen等，2022；Di Noia等，2015）。Kang等（2022）利用静止海洋色度成像仪（GOCI）数据开发了基于机器学习的6公里AOD产品，并证明机器学习模型相比MODIS DT、DB和基于GOCI的延世气溶胶反演（YAER）产品实现了显著更小的反演误差。类似地，C. Chen等（2020）采用卷积神经网络（CNN）从MODIS观测中估算1公里分辨率的AOD和细模态分数，达到了与DB算法相当的精度，且优于DT算法。

近期研究进一步探索了数据驱动学习与大气知识的融合。S. Jin等（2026）开发了一种协同深度学习框架，以联合估算PM2.5和O3，证明深度学习模型能够捕捉大气污染物之间的关系，同时通过特征归因分析提供额外的可解释性。在气溶胶遥感领域，S. Jin等（2026a）提出了一种非负矩阵分解方法，构建了保持外部线性混合结构且与正向辐射传输计算兼容的基础气溶胶模型，从而实现多种气溶胶光学特性的反演。

关于机器学习在多大程度上可以替代或补充基于物理的模型，争论仍在继续，混合物理信息神经网络（PINN）框架日益受到关注，这类框架在预测精度与物理一致性之间取得平衡（Jiang等，2023；Tao等，2023）。此类方法已被应用于模拟或约束大气过程和示踪物，包括对流-扩散动力学和尘埃通量（Molina Catricheo等，2024）。通过嵌入辐射传输模型的约束，PINN有望通过减少纯数据驱动方法常见的误差来提高AOD反演精度（Mishra和Molinaro，2021）。近期研究表明，物理信息深度学习（PDL）框架在中国高分辨率、高效率地反演臭氧和气溶胶浓度方面具有潜力（B. Chen等，2025），而Tao等（2023）成功利用MODIS光谱波段在中国东部地区反演了细模态和粗模态AOD。虽然先前的物理信息深度学习框架已从MODIS观测中反演了粗模态AOD，但其应用仍局限于较粗的空间尺度。相比之下，本研究引入了利用Landsat影像进行30米高空间分辨率AOD反演的方法。在方法上，我们的方法通过采用一种新颖的加权平均融合（WAF）方案，动态平衡卷积层提取的空间特征与来自并行自定义RTM物理层的物理约束，从而与早期工作有所不同。

然而，物理信息机器学习尚未被用于解决印度-甘加平原（IGP）等高度复杂地区高分辨率AOD反演的艰巨方法学挑战。纯数据驱动方法往往难以应对该区域显著的季内表面反射率变化、高反射率明亮的城市表面、季风前沙尘暴以及季风后至冬季细颗粒物主导的现象（Mhawish等，2017；Tripathi等，2005）。印度-甘加平原的气溶胶特性也表现出强烈的季节和年际变异性，受当地气候学、大气动力学以及自然和人为源排放的驱动（Kaskaoutis等，2013；Nair等，2007）。为应对这些复杂性，本研究开发了一种稳健的物理信息卷积神经网络（PI-CNN）模型，用于生成高分辨率AOD。

章节摘录

研究区域

本研究聚焦于印度-甘加平原的两个主要城市——坎普尔和德里（图1），它们是南亚人口最密集、污染最严重的地区之一。印度-甘加平原是经济、工业和农业活动的主要枢纽，在印度始终经历极高气溶胶负荷（Shukla等，2020）。坎普尔位于印度-甘加平原中部，人口约320万（Chandramouli和General，2011；http://census2011.co.in/），是一个重要的工业中心。

卫星和地面数据

本研究使用了Landsat 8星上的陆地成像仪（OLI）和Landsat 9星上的OLI-2数据，这些传感器提供30米空间分辨率的从可见光到短波红外范围的多光谱波段。在去除云覆盖超过30%的影像后，选择了路径/行144/42（坎普尔）和146/40（德里）对应的影像用于AOD反演。德里和坎普尔的年度土地利用/土地覆盖（LULC）图从10米分辨率的Sentinel-2土地覆盖产品中获取。

验证

PI-CNN和SEMARA算法反演的AOD使用AERONET观测进行了验证。在2021至2024年的研究期间，坎普尔和德里分别有39个和33个共址AERONET观测值。如图3所示，PI-CNN模型与观测AOD表现出良好的一致性，坎普尔的相关系数为0.81，德里为0.78。PI-CNN模型在坎普尔实现了平均绝对误差和均方根误差分别为0.046和0.21的值。

结论

对局地或城市尺度气溶胶监测日益增长的需求要求反演算法能够同时以高精度和高效的方式产生高分辨率AOD。在本研究中，我们采用SEMARA（基于辐射传输模型的方法）和PI-CNN（基于神经网络的方法）算法在坎普尔和德里反演高分辨率AOD。SEMARA基于辐射传输方程提供高分辨率AOD反演，但其应用需要特定站点的气溶胶和地表信息。本研究……

CRediT作者贡献声明

Rohit Kumar Singh：撰写——初稿，可视化，验证，方法论，数据整理，概念构思。A.N.V. Satyanarayana：撰写——审阅与编辑，监督，方法论，调查，概念构思。

伦理批准

代表所有作者，通讯作者声明没有利益冲突。

作者声明

所有作者已阅读、理解，并根据适用情况遵守了"作者伦理责任"声明，该声明可在作者指南中找到。

资金

作者声明在准备本手稿期间未收到任何资金、拨款或其他支持。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本报告中的工作。

致谢

我们感谢印度理工学院卡拉格普尔分校对本研究的支持。RKS感谢大学教育委员会（UGC）提供的研究奖学金。我们感谢美国地质调查局（USGS）地球资源观测系统（EROS）数据中心提供Landsat影像。我们衷心感谢德里和坎普尔的AERONET观测站点提供观测数据集。

Rohit Kumar Singh|A.N.V. Satyanarayana

印度理工学院卡拉格普尔分校海洋、河流、大气与陆地科学研究中心，卡拉格普尔，721 302，印度